文章目录前言一、关键帧（KeyFrame）1. 作用、意义2. 选择二、共视图（Covisibility Graph）1. 概念2. 作用3. ORB-SLAM2中的应用场景三、扩展树（Spinning Tree）四、本质图（Essential Graph）1. 特点2. 作用3. 与全局BA相比，本质图的优势五、与上述内容相关的代码 前言越来越不知道这前言写什么，大家共勉吧。一、关键帧（Key
转载
2024-07-12 17:36:36
291阅读
基于相机的位姿估计
原创
2021-07-19 10:37:03
1053阅读
基于相机的位姿估计
原创
2021-06-24 11:49:15
512阅读
机器人的位置（Position）和姿态（Pose）常常统称为位姿。位姿描述是表达机器人的线速度、角速度、力和力矩的基础，而坐标变换是研究不同坐标系中的机器人位姿关系的重要途径。2.1 位姿的数学描述2.1.1 位置描述一个坐标系在空间中的位置可以通过一个三维向量来表示，如图 2.1 所示，用三个相互正交带有箭头的单位矢量来表示一个参考坐标系 ，通过一个矢量表示参考坐标系中的一个点 ，可以由一个向
论文：https://arxiv.org/pdf/1603.06937.pdf代码：http://www-personal.umich.edu/~alnewell/poseStacked Hourglass Networks for Human Pose EstimationAbstract本文为人体姿态估计任务提出了一种新的卷积网络结构。所有尺度上的特征都被处理和整合，以最佳地捕捉与身体相关的各
论文：AprilTag: A robust and flexible visual fiducial system三 检测器-单应矩阵和外参估计III DECTOR-C Homography and extrinsics estimation作者计算的单应矩阵，该矩阵可以将齐次坐标形式的2D点从Tag坐标系转换到2D图像坐标系（猜测这里的Tag坐标系原点为标签正中心，右下分别为XY，相机正前方为Z
转载
2024-05-17 15:15:37
734阅读
车牌定位算法在车牌识别技术中占有很重要地位，一个车牌识别系统的识别率往往取决于车牌定位的成功率及准确度。 车牌定位有很多种算法，从最简单的来，车牌在图像中一般被认为是长方形，由于图像摄取角度不同也可能是四边形。我们可以使用OpenCV中的实例： C:/Program Files/Open
EPnP在ORB-SLAM中主要用于Tracking线程中的重定位Relocalization模块，需要通过当前关键帧Bow与候选帧匹配上的3D地图点，迅速建立当前相机的初始姿态。PnP问题解决了已知世界参考系下地图点以及相机参考系下投影点位置时3D-2D相机位姿估计问题，不需要使用对极约束（存在初始化，纯旋转和尺度问题，且一般需要8对点），可以在较少的匹配点（最少3对点，P3P方法）中获得较好的
Overview相关代码：pose_estimation in cggos/slam_park_cg
Features Based Method2D-2D: Epipolar Geometry2D-2D 对极几何 主要涉及到基础矩阵、本质矩阵和单应性矩阵的求解，并从中恢复出旋转矩阵 和平移向量 。计算机视
转载
2023-12-29 23:18:51
216阅读
******看完位姿估计原理过一段时间又忘记了，现参考高翔视觉SLAM十四讲做本文笔记。 SLAM中的里程计都是基于特征点方式的算法。1.特征匹配 特征匹配是视觉SLAM中极为关键的一步,它解决了数据关联问题。通过图像与图像或图像与地图间描述子进行准确匹配，可以为后续姿态估计、优化等操作减轻大量负担。由于图像特征的局部特性、误匹配、重复纹理等，仅利用局部特征很难解决问题。首先讨论图像与图像匹配情况
转载
2024-06-04 19:02:45
189阅读
作为一名经验丰富的开发者，我很高兴能帮助你了解“基于RGB的位姿估计”和“基于RGBD的位姿估计深度学习”。以下是一篇简要的教程，希望能帮助你入门。
## 流程图
首先，让我们通过一个流程图来了解整个过程：
```mermaid
flowchart TD
A[开始] --> B[数据准备]
B --> C[模型选择]
C --> D[训练模型]
D --> E
原创
2024-07-26 09:21:38
161阅读
鉴于大家目前对滤波器设计软件比较陌生的状况，这里介绍一下关于滤波器设计软件的使用。由于filter solutions 的注册码难以寻找，故这里使用Filter Wiz Pro来介绍，希望大家能以下面的实例逐步掌握对Filter Wiz Pro的使用。【设计任务】 设计一个二阶低通滤波器，截止频率为f
目录摘要关键词0 引言1 在线预测与运动规划算法设计(1) 在线预测(2) 运动规划(3) 动态跟踪及抓取2 动态跟踪算法设计3 实验验证3. 1 动态跟踪抓取实验(1) 系统框架(2) 动态跟踪抓取实验3. 2 融合轨迹连续性3. 3 动态跟踪鲁棒性4 结语 摘要内容：基于ROS框架，以6自由度ABB机器人为研究对象，设计了一种基于在线预测和规划的机器人动态跟踪抓取方法。 问题的提出与解决：通
转载
2024-06-05 22:53:02
435阅读
参考论文：Mertan A, Duff D J, Unal G. Single image depth estimation: An overview[J]. Digital Signal Processing, 2022: 103441.
本人基于上面的参考论文，试着总结单目深度估计的基础知识与发展路径。如有错漏之处，还请大家在评论区多多指教。点击文中的超链接即可转到引用论文。1.单
转载
2023-12-18 11:31:41
136阅读
1.Category-level 6D Object Pose Recovery in Depth Images作者在深度模态的背景下，解决类别级的物体6D位姿估计问题，并引入了一种新的基于部件的架构。这种架构适应了因形状差异引起的分布偏移，并消除了纹理、光照、位姿等的变化，作者称其为“固有结构适配器（ISA）”。根据以下3个条件来设计ISA：1）为了定义类别级6D位姿，作者提出了“语义选择中心（
原创
2022-09-30 11:40:10
493阅读
SVO的重定位部分代码解析与分析SVO的重定位功能体现在：运动跟踪丢失后通过与上一关键帧匹配以及地图点投影，找回当前相机位姿。由于没有后端和回环，SVO的重定位并不是回环校正后的重定位。 代码部分被放在运动跟踪线程里，只有寥寥几行，作用效果十分有限。原文代码部分如下：FrameHandlerMono::UpdateResult FrameHandlerMono::relocalizeFrame(
转载
2024-09-03 11:45:08
32阅读
机器人学导论 一、空间变换（1）位姿前言坐标系位姿位置姿态位姿变换映射平移旋转变换复合变换逆变换旋转矩阵，变换矩阵的意义旋转矩阵的意义变换矩阵的意义后记 前言由于视觉伺服与机械臂关系紧密，因此还是从基础开始，把机器人运动学记录一下。本篇记录刚体的位姿。实际上，空间变换在SLAM专栏里已经讲过一次了，不过机器人学导论给出了更详细的刚体运动说明。坐标系通常有两个坐标系，一个是用于参考的世界坐标系（笛
转载
2024-02-10 00:56:49
241阅读
A Comparison of Graph Optimization Approaches for Pose Estimation in SLAM作者：Andela Juric´, Filip Kendeš, Ivan Markovic´, Ivan Petrovic论文地址：chrome-extension://ikhdkkncnoglghljlkmcimlnlhkeamad/pdf-viewe
转载
2022-10-04 17:24:23
677阅读
一、什么是点对特征——PPF？对于点云中的任意两点，其距离关系和方向关系（两点的法线方向）可以用来描述这一对点，并且描述的特征点具有可区分性。由此，我们定义一个四维向量F，来描述这一对点的PPF特征：四维F包含一个长度，三个角度F即POINT PAIR FEATURE二、什么是model globally？如何操作？model是预先做好的，用来匹配scene中的目标object。可以从CAD模型转
转载
2022-10-09 09:51:04
224阅读
标题：PVNet:Pixel-wise Voting Network for 6DoF Pose Estimation作者：Sida Peng，Yuan Liu，Qixing Huang，Xiaowei Zhou，Hujun Bao编译：陈圣伦审核：万应才 摘要大家好，今天为大家带来的文章是—— PVNet: Pixel-wise Voting Network for 6DoF
转载
2022-10-11 22:55:34
452阅读
